Сочинский национальный парк
Моделирование пространственного распределения чужеродных видов растений с использованием данных дистанционного зондирования на примере Paulownia tomentosa
А.В. Егошин
АННОТАЦИЯ
Цель: Провести сравнительный анализ использования данных дистанционного зондирования, а также биоклиматических и эколого-географических данных для моделирования пространственного распределения чужеродных видов на примере Paulownia tomentosa.
Методы: Моделирование проведено среде SAHM методом максимальной энтропии. При этом в качестве источника предикторных переменных использовали биоклиматические растры Worldclim, экспозиции, высоты над уровнем моря, уклона, застроенности территории, чистой первичной продуктивности, топографического индекса влажности, удалённости точек пространства от населённых пунктов, дорог и водотоков, полученные в среде ArcGIS, а также семиканальные спутниковые снимки Landsat 5.
Результаты: Установлено, что самыми эффективными предикторами пространственного распределения павловнии являются высота над уровнем моря, топографический индекс влажности, пространственное расположение речной сети, годовая сумма осадков, максимальная температура самого теплого месяца года, средняя температура самой сухой четверти года, сумма осадков во влажной четверти года, а также спутниковый снимок Landsat 5, сделанный в мае.
Выводы: Комплекс использованных пространственных данных позволил выявить места, наиболее пригодные для произрастания паволовнии войлочной, которые преимущественно располагаются в долинах горных рек на высотных отметках от 20 до 240 метров над уровнем моря. Суммарная площадь территории Большого Сочи, наиболее пригодная для произрастания павловнии составляет 208 кв. км (5,9%). В будущем климатические изменения (сценарии: RCP2.6, RCP4.5, RCP6.0) будут способствовать дальнейшему распространению Paulownia tomentosa. Самый экстремальный сценарий климатических изменений (RCP8.5) будет сопровождаться подавлением роста и развития Paulownia tomentosa.
Ключевые слова: чужеродные виды, инвазии, Paulownia tomentosa, дистанционное зондирование.
Modeling of Spatial Distribution of Alien Species of Plants Using Remote Sensing Data on the Example of Paulownia tomentosa
A.V. Egoshin
ABSTRACT
Purpose: The purpose of the work is to conduct a comparative analysis of the use of remote sensing data, as well as bioclimatic and ecological-geographical data for modeling the spatial distribution of alien species, using the example of the Paulownia tomentosa species.
Methods: The modeling was performed by the SAHM software using the maximum entropy method. During analysis, we used Worldclim bioclimatic rasters, exposure, elevation, slope, built-up area, net primary productivity, topographic humidity index, the remoteness of spatial points from settlements, roads, and rivers, as well as Landsat 5 satellite images.
Results: We found that the most effective predictors of the spatial distribution of paulownia are altitude, topographic humidity index, spatial location of the river network, annual precipitation, maximum temperature of the warmest month of the year, average temperature of the driest quarter of the year, precipitation in the wet quarter of the year as well as a Landsat 5 satellite image taken in May.
Conclusions: The complex of spatial data used made it possible to identify the places most suitable for growing paulownia, which is mainly located in mountain river valleys at altitudes from 20 to 240 meters above sea level. The total area of the territory of Greater Sochi, the most suitable for the growth of paulownia is 208 sq. Km. (5.9 %). Climate change (scenarios: RCP2.6, RCP4.5, RCP6.0) will contribute to the further spread of Paulownia tomentosa. The most extreme climate change scenario (RCP8.5) will reduce the spread of Paulownia tomentosa.
Key words: alien species, invasion, Paulownia tomentosa, remote sensing.
ВВЕДЕНИЕ
Привнесение элементов чужеродной флоры влечет за собой изменение множества параметров экосистем (биоразнообразие, обилие видов, биологическая продуктивность, интенсивность круговорота веществ и т.д.). Такие изменения могут оказаться фатальными для некоторых аборигенных видов. В глобальном масштабе это приводит к унификации флоры и представляет серьезную угрозу для биоразнообразия планеты [2, 10, 13]. В результате интенсификации процессов глобализации и климатических изменений эта угроза с каждым годом лишь увеличивается.
Успешность произрастания чужеродных видов на новой родине вызвана комплексом факторов.
Во-первых, многие пришлые виды обладают четко-выраженными физиологическими конкурентными преимуществами [8]. Эти преимущества заключаются в высокой скорости роста и созревания плодов, эффективных способах распространения семян, которые к тому же обладают высокой энергией роста. Именно поэтому, многие иноземные виды являются у себя на родине видами начальных стадий сукцессий [18]. Кроме того, некоторые успешные чужеродные виды вступают в различного рода аллелопатические взаимодействия, подавляя рост и развитие конкурентов. Как результат, в отсутствие специализированных фитофагов иноземные виды могут получать существенные конкурентные преимущества на новой родине. Значительную роль в успешной натурализации чужеродных видов играет видовое разнообразие экосистемы-акцептора [1, 3, 8, 11, 14]. Экосистемы, отличающиеся высоким видовым разнообразием, как правило, более устойчивы к внедрению иноземных видов.
Существенную роль в проникновении иноземных видов играют и биоклиматические условия новой родины [7]. Более комфортные климатические условия территории, позволяют экосистемам «принимать» большее число разнообразных чужеродных видов.
Значительное влияние на процессы распространения адвентивных видов оказывает антропогенная деятельность, которая сопровождается различного рода нарушениями экосистем [4, 6, 12, 15, 17]. Эти нарушения влекут за собой изменение видового состава и обилия видов, в результате чего в экосистемах появляются свободные ресурсы, на которые и «претендуют» чужеродные виды.
Таким образом, процесс биологических инвазий имеет иерархическую структуру. Климат - доминирующий фактор на макроуровне, тогда как топографические особенности местности и характер землепользования играют важную роль на мезоуровне, и, наконец, в локальных масштабах почвенные условия, нарушения растительного покрова и биотические взаимодействия играют детерминирующую роль в распространении пришлых видов.
Последние достижения вычислительных технологий вкупе с доступностью большого количества различных данных о состоянии окружающей среды, в том числе и данных дистанционного зондирования, позволяют оценить всю вышеупомянутую многомерную иерархическую структуру факторов и перейти от узколокальных полевых исследований пространственного распределения видов к более широкомасштабным, а также сделать прогноз, как климатические изменения повлияют на распространение адвентивных видов в будущем.
МЕТОДИКА
При моделировании пространственного распределения чужеродных видов на примере Paulownia tomentosa (Thunb.) Steud. в качестве источника предикторных переменных использовали биоклиматические растры Worldclim (таблица 1), а также семиканальные спутниковые снимки Landsat 5 с разрешением 30 метров, представленные в свободном доступе на сайте геологической службы США (www.earthexplorer.usgs. gov) (таблица 2). Для того, чтобы учесть фенологические особенности Paulownia tomentosa (Thunb.) Steud и других растений экосистем, подвергшихся инва- зии, были использованы ежемесячные снимки Landsat, сделанные с апреля по октябрь.
моделирование растение дистанционное зондирование
Таблица 1
Биоклиматические переменные BIOCLIM [Table 1. Bioclimatic variables BIOCLIM]
|
Код [Code] |
Биоклиматический параметр [Bioclimatic variable] |
|
|
BIO1 |
Средняя годовая температура |
|
|
BIO2 |
Средняя суточная амплитуда температуры |
|
|
BIO3 |
Изотермичность (BIO1/BIO7) * 100 |
|
|
BIO4 |
Стандартное отклонение температур |
|
|
BIO5 |
Максимальная температура самого теплого месяца года |
|
|
BIO6 |
Минимальная температура самого холодного месяца года |
|
|
BIO7 |
Годовая амплитуда температуры (BIO5-BIO6) |
|
|
BIO8 |
Средняя температура самой влажной четверти года |
|
|
BIO9 |
Средняя температура самой сухой четверти года |
|
|
BIO10 |
Средняя температура самой теплой четверти года |
|
|
BIO11 |
Средняя температура самой холодной четверти года |
|
|
BIO12 |
Годовая сумма осадков |
|
|
BIO13 |
Сумма осадков в самом влажном месяце года |
|
|
BIO14 |
Сумма осадков в самом сухом месяце года |
|
|
BIO15 |
Коэффициент вариации осадков |
|
|
BIO16 |
Сумма осадков во влажной четверти года |
|
|
BIO17 |
Сумма осадков в сухой четверти года |
|
|
BIO18 |
Сумма осадков в самой теплой четверти года |
|
|
BIO19 |
Сумма осадков в самой холодной четверти года |
Таблица 2
Спектральные каналы спутниковых снимков, полученных с помощью сенсора Thematic Mapper (TM) Landsat 5 [Table 2. Spectral bands of satellite imagery obtained Thematic Mapper (TM) Landsat 5 sensor]
|
Спектральные каналы [Spectral band] |
Длина волны, микрометры [Wavelength (pm)] |
|
|
1 - Голубой |
0,45 - 0,52 |
|
|
2 - Зеленый |
0,52 - 0,60 |
|
|
3 - Красный |
0,63 - 0,69 |
|
|
4 - Ближний инфракрасный |
0,76 - 0,90 |
|
|
5 - Коротковолновый инфракрасный 1 |
1,55 - 1,75 |
|
|
6 - Тепловой инфракрасный |
10,40 - 12,50 |
|
|
7 - Коротковолновый инфракрасный 2 |
2,08 - 2,35 |
Вышеупомянутые спектральные каналы снимков Landsat использовали для получения индексов NDVI (нормализованный относительный индекс растительности) и SAVI (индекс растительности с поправкой на отражение от почвенного слоя). NDVI и SAVI являются одними из наиболее часто используемыми спектральными индексами для оценки растительной биомассы, видового состава и состояния растительного покрова.
Помимо этого, производили трансформацию каналов (Tasseled-Cap Transformation) с получением нового набора каналов: B - «яркость», G - «зе- леность» и W - «влажность»).
Кроме того, при анализе использовали другие растровые данные, полученные в среде ArcGIS: экспозиция, высота над уровнем моря (м), уклон (градусы), застроенность территории (%/км2), npp - чистая первичная продуктивность (кг-С/м2/год), топографический индекс влажности, удаленность точек пространства от населенных пунктов, дорог и водотоков.
При моделировании пространственного распределения было использовано 100 точек мест произрастания Paulownia tomentosa, и аналогичное количество точек мест, где павловния не встречается.
Рис. 1. ROC-кривые, полученные в результате моделирования с использованием различных методов регрессионного анализа: а - BRT, b - GLM, c - MARS, d - RF, e - maxent.
[Fig. 1. The curves obtained during modeling using various methods of regression analysis: a - BRT, b - GLM, c - MARS, d - RF, e - maxent. The values of the areas bounded by the ROC curves exceed 0.7]
Таблица 3 Оценка эффективности использованных методов моделирования пространственного распределения
Paulownia tomentosa [Table 3. Evaluation of the efficiency of the methods used to model the spatial distribution of the species Paulownia tomentosa]
|
Methods |
AUC* |
PCC** |
Sensitivity |
Specificity |
TSS*** |
|
|
BRT |
0.998 |
98 |
0.97 |
0.98 |
0.95 |
|
|
RF |
0.971 |
94 |
0.72 |
0.96 |
0.69 |
|
|
MARS |
0.944 |
90 |
0.88 |
0.90 |
0.79 |
|
|
GLM |
0.981 |
95 |
0.92 |
0.95 |
0.87 |
|
|
Maxent |
0.978 |
95 |
0.72 |
0.97 |
0.69 |
Примечание: *AUC - Area Under Curve, **PCC - Percent Correctly Classified), ***TSS = Sensitivity+Specificity-1
Моделирование проводили с использованием различных методов регрессионного анализа: Boosted Regression Trees (BRT), Random Forest (RF), Multivariate Adaptive Regression Splines (MARS), Generalized Linear Model (GLM) и Maxent в среде Assisted Habitat Modeling (SAHM).
Оценка качества моделей была проведена в среде SAHM с построением ROC-кривых (Receiver Operating Characteristic) и их AUC (Area Under Curve). Значение AUC равное 0,5 свидетельствует о том, что прогноз пространственного распределения вида, полученный в результате моделирования, носит случайный характер. Значения AUC от 0,5 до 0,7 указывают на слабую связь, в то время как значения AUC от 0,7 до 1,0 свидетельствуют о существенной точности моделирования пространственного распределения вида. Кроме того, производили расчетР^ (Percent Correctly Classified), оценивающего чувствительность (Sensitivity) и специфичность (Specificity) на основе пороговых значений. При этом под чувствительностью понимается доля корректно классифицированных присутствий особей вида, а под специфичностью доля корректно классифицированных отсутствий особей вида. Показатель TSS (True Skill Statistic) рассчитывался следующим образом: TSS = Sensitivity+Specificity-1.
Оценку влияния климатических изменений на пространственное распределение павловнии войлочной в будущем (2050 и 2070 годы) проводили в среде Maxent, используя растровые слои BIOCLIM, рассчитанные с использованием климатической модели CCSM4 для четырех репрезентативных траекторий концентраций (RCP), разработанных Межправительственной группой по изменению климата (IPCC). RCP являются сценариями климатических состояний, характеризующими величину антропогенно обусловленного радиационного воздействия, достигаемого к 2100 году по сравнению с 1750 годом (2,6; 4,5; 6,0 и 8,5 Вт/м2). Согласно этим сценариям вероятные оценки увеличения глобальной температуры к концу 2100 года составят: 0,2-1,8°С (RCP2.6); 1,0-2,6°С (RCP4.5); 1,3-3,2°С (RCP6.0); 2,6-4,8°С (RCP8.5).
РЕЗУЛЬТАТЫ
Общее число преднамеренно и непреднамеренно интродуцированных видов на юге Российского Причерноморья превышает 2000. Большинство произрастает на улицах населенных пунктов, приусадебных участках, в парках и ботанических садах, не внедряясь в естественные экосистемы. Общее количество наиболее агрессивных чужеродных видов, способных внедряться в экосистемы различной степени нарушенности составляет 182 [5]. Одним из таких видов является Павловния войлочная, которая способна вторгаться в естественно-нарушенные экосистемы (вывалы деревьев, берега горных рек, нарушаемые во время паводков). Зачастую под пологом павловнии появляются другие виды чужеродных травянистых растений.
| 05_Холера |
| 10.4. Исследование регистров |
| 1112 |
| 12 |
| 1568 |
| 1673 |
| 17 |
| 1703 |
| 1885 |
| 2. Генераторы постоянного тока |